北京市市场监管局实施企业信用风险分类监管的实践与思考

依托“互联网+”大力推进市场监管领域治理体系和治理能力现代化

——北京市市场监管局实施企业信用风险分类监管的实践与思考

前 言

利用大数据和信息化技术手段，深入挖掘政府部门涉企信息、企业生产经营信息以及互联网数据中蕴含的风险信息，实施企业信用风险分类管理，是深化“互联网+监管”，实现监管资源合理配置和有效利用的重要抓手，是有效解决企业风险高低不分、双随机监管针对性不强问题的切实举措，是推进市场监管领域治理体系和治理能力现代化的创新实践，对于推动实现市场监管科学化、精准化、高效化，具有十分重要的意义。

今年以来，国务院、国家市场监管总局相继发布《关于在市场监管领域全面推行部门联合“双随机、一公开”监管的意见》《关于加强和规范事中事后监管的指导意见》以及《关于在部分地区开展企业信用风险分类管理工作试点的通知》等重要文件，对推进企业信用分类分级监管提出了具体要求。

为贯彻落实上述文件精神，北京市市场监管局聚焦企业潜在失信风险，坚持问题导向，突出预警防控，按照三维矩阵分类、时空量能分级、指标动态监测的思路构建企业信用风险监管分类分级指标体系，探索开展差异化监管，着力提高日常监管的及时性、精准性和有效性。

主要特点

“广”——海量归集数据。依托互联网+监管系统和企业信用信息公示系统，有针对性地归集公示数据8800万条；以风洞平台为依托，整合涉企互联网信息5500万条，为开展分级分类监管分析奠定扎实的数据基础。

“深”——深度挖掘数据背后隐藏和关联的风险信息。一是按行业属性、高风险经营行为等进行三维矩阵分类。目前企业行业属性日趋模糊，跨行业、跨领域的经营普遍存在，简单以行业进行分类不能满足监管需要。二是按照时、空、量、能设置分级指标。时即单位时长（目前暂以三个月和一年两个维度进行界定）；空即空间，指企业经营地址稳定性及所在商务楼宇；量即数量，比如确定单位时长内变更法定代表人或股东等主要登记事项次数；能即能量，参考活跃度、关联度、单位时长内企业扩张速度及互联网舆情热度，按评分确定定向抽查优先级别。

“细”——精选特征指标，建立细颗粒度分值。一是在筛选上千个企业原始基础经营特征行为的基础上，最终形成北京企业信用风险分类分级指标体系，包括企业属性等三个层级指标共计78个构成。二是从中优选出部分特征指标，分别用于重点行业重点行为指征等不同模型。三是参照国际国内通行的千分制进行评分和分类分级，以0至1000为基础计分规则，形成细颗粒度分值。

“动”——对高风险行业和经营行为实施动态监测。在总结分析重点行业、重点领域监管执法案例的基础上，针对不同高风险行业和经营行为，设置了异动指标（比如一年内某重点行业企业大量招聘相关从业人员说明存在扩张行为，涉众风险将明显增加），通过机器学习方法寻找指标间的关联性，并在关联的基础上重新进行整合，起到放大器作用，大幅提高了监测敏感度。

工作方法

北京市企业信用风险分类分级监管指标体系的构建，借鉴了OECD（经济合作与发展组织）国家治理指标体系的理念（监管质量与绩效）和创建思路（准则+指标），并结合北京市市场监管领域工作实际，采用了“原则+指标”的构建方式。

明确六项原则。原则在指标体系构建中非常重要，发挥着启动和指引功能，可以明确工作方向、指标选取边界以及定量定性分析的方法，有助于在海量线索中选取贴近监管需求的关键性指标。一是整体性原则。指标设计、选择、确定需要在现有能够获取的数据资源中既能客观反映企业的整体状况，又能反映需要监管的重点。二是预判性原则。要选取典型指标并加以关联分析，发现企业潜在的经营风险以及可能连带出现的监管风险。三是操作性原则。评分只有简单直观并明示潜在风险线索，得到一线监管人员共识，才能真正起到引导监管方向的作用。四是关联性原则。单一指标很难准确揭示企业潜在风险，需要结合监管经验与案例分析，发现不同指标间的关联性，以此指向同一趋势并通过定性研判，才能有助于发现潜在风险线索。五是参与性原则。企业互联网轨迹数据以及第三方平台数据参与指标体系，可以对监管执法等结果性指标体系起到互补和链接作用，使分类更侧重前瞻性。六是单纯负向原则。企业获得奖励次数或政府部门的扶持发展政策往往是可以加分的项目，但是正向指标有可能和负向指标相互干扰，导致监管方向发生偏差。因此，有必要明确主要以负向指标进行监测预警，正向指标仅作为差异化监管的参考。

建立指标权重。在确定企业三级指标的基础上，在大量案例和监管实际工作分析的基础上，综合考虑专家意见，确定各指标对企业风险的相对影响程度，构建形成指标间的两两比较矩阵，并通过一致性检验确定指标权重分配的合理性。

基于风险特征构建模型。一是风险特征识别。根据业务特点明确监管对象和监管事项，并梳理相应的违法行为特征。比如，按照社会网络理论，网络中交往密切的节点由于面临相似的外部环境以及相似的内在基因，在风险特征上往往会表现出较强的同质性或者趋同的倾向。二是风险特征处理。对不同渠道、不同来源的信息经过汇聚、处理后的风险特征最后形成以企业的统一社会信用代码为唯一标识的风险特征主题库。三是利用BP神经网络等技术手段进行综合评判，并进行反向验证。截至目前，累计对2018年近20万家已有抽查结果企业作为训练集样本训练模型并进行结果反向验证和校验。结合两年来的重点行业重点行为监测预警和定向抽查等工作实际，将三大类高风险行业或行为总计约4万余家企业作为测试集样本测试验证模型。

分类全量赋分。参照国际国内通行的千分制进行评分和分类分级，以0至1000为基础计分规则，形成细颗粒度分值，并对全市164万家企业全量赋分，根据不同分值，划分区间，按高风险、中高风险、中等风险和低风险四级进行分类。

实证应用

在具体应用过程中，北京市市场监管局通过将企业信用风险分类分级评分对接监管实际业务，事前开展研判，事中开展抽查，事后将抽查结果回馈指标模型，力求打造业务流程和模型优化闭环。

有效防控风险。自2018年8月开始，在一些重点领域“打小打早”风险预警方面，针对该领域企业行为特征，设置了一年内新设从事该领域经营企业、异地已发案关联企业高管等指标，开展动态监测，每周汇总数据。对监测发现的异地在京新设立高风险关联企业高管进行了约谈，对疑似企业通报并提请有关监管部门认定后开展实地核查。2019年以来，重点领域新设涉嫌早小企业同比大幅下降，有效控制了新增风险。

提高随机抽查效能。在整治某重点行业工作中，针对该行业企业行为特征，结合一年内企业规模及扩张速度、网上招聘信息等设定了活跃度指标，并设定高活跃、中活跃、低活跃和不活跃四个等级，结合风险洞察平台数据，从全市近3万家企业中筛选出中活跃度以上企业开展定向抽查，在减少检查企业数量的前提下，问题发现率大幅提高。

增强监管靶向性。2019年9月，北京市开展针对某侵害群众利益经营行为抽查检查，依托分类分级模型从全市中活跃度以上且暂未发生投诉的相关企业中，筛选出高风险评分的企业作为定向抽查对象，问题发现率远高于未使用分类分级评分的抽查。

□北京市市场监管局